基于机器学习的蒙特卡洛光线追踪模拟表面太阳辐照度去噪

利用蒙特卡洛光线追踪模拟大气中的辐射传输，可在云解析模型中提供真实的表面辐照度。然而，蒙特卡洛方法计算代价高昂，因为需要大量采样才能获得充分收敛。本文探索了利用机器学习对直接和漫射表面太阳辐照度场进行去噪的方法。我们使用蒙特卡洛光线追踪为一组积云场和太阳角度计算噪声与充分收敛的表面辐照度场对，并训练去噪自编码器从噪声输入预测充分收敛的辐照度场。结果表明，从每个像素（每个光谱细分点）1个采样去噪漫射辐照度，比每个像素128个采样的光线追踪快一个数量级且准确度高两倍，展示了去噪相对于更大采样预算的优势。在日照区域，直接辐照度的去噪效果良好，而云阴影边缘仍存在误差。对于漫射辐照度，向去噪算法提供额外的大气信息（如液态水路径和太阳角度）可将误差减少约一倍。我们的结果为将蒙特卡洛光线追踪与计算成本接近两流法辐射传输求解器的方法耦合开辟了可能性，尽管未来仍需改进跨分辨率和云类型的泛化能力。